CN105615835A - 宫颈癌早期病变筛查方法 - Google Patents
宫颈癌早期病变筛查方法 Download PDFInfo
- Publication number
- CN105615835A CN105615835A CN201511005633.2A CN201511005633A CN105615835A CN 105615835 A CN105615835 A CN 105615835A CN 201511005633 A CN201511005633 A CN 201511005633A CN 105615835 A CN105615835 A CN 105615835A
- Authority
- CN
- China
- Prior art keywords
- port
- cervical cancer
- cervical
- digital control
- iii
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明涉及宫颈癌早期病变筛查方法,包括以下步骤:(1)数据采集,(2)建立数据库,(3)数据分集,(4)分类建模,(5)关键参数的选取,(6)确定最优参数后,求得最优超平面,该筛查方法使检测时覆盖更广的上皮组织,这种间隔的刺激与采集,可以有效地降低反应时间,是宫颈组织在不同刺激与响应间得到适当恢复,提高检测准确性。使用支持向量机的理论实现对宫颈组织分类算法的开发,以达到能准确预测宫颈组织是否含有CIN,是否已进展到早期病变的目的,在组织分类过程中采用最科学的方法进行采样以及建立数据库,对算法进行筛查,使预测集的灵敏度可达91.18%,总符合率可达86.24%,是在宫颈癌筛查领域的一项重要突破。
Description
技术领域
本发明涉及癌症筛查领域,尤其是一种宫颈癌早期病变筛查方法。
背景技术
宫颈癌一直是严重危害女性生殖健康的恶性肿瘤,宫颈癌前病变有两个不同的分类系统,分别为SIL即宫颈鳞状上皮内病变系统和CIN,SIL系统在单个细胞上基于巴氏涂片检查,根据细胞病变的程度进行分类。CIN系统则是基于单个细胞和从宫颈上皮层病变的程度进行分类。可以分为三个级别:轻度(CINⅠ级)、中度(CINⅡ级)和重度(CINⅢ级),CINⅢ阶段的病变几乎可以确认下一步就是癌症,因此宫颈癌的早期诊断至关重要。因此,近年来在宫颈癌早期病变筛查上的光学、电学以及生物医学的研究上各国的科学家和企业在各自的领域内作出了大量的研究和贡献。
授权公告号CN1097445C的中国专利公开了一种用于鉴别被怀疑由癌前期或癌症活动引起生理改变的组织的装置,该装置包括:多个能量源,配置成紧密接触在所述组织上并用多种不同的刺激来刺激所述组织;多个探测器,配置成探测所述组织对各所述刺激的反应并将所述反应耦合到一个控制器上;所述控制器包括一个处理器装置,该处理器装置配置成综合处理所述组织以便分类所述组织;一个存储器装置,包括与其的组织类型的目录;一个比较装置,用于将所述组织的归类与来自所述目录的所述期望的组织类型进行比较以便鉴别所述组织;以及一个指示器装置,用于向所述装置的用户指明所鉴别出的组织类型。该装置能够快速地生成组织类型的客观鉴别。
公开号为US2015/0105669A1的美国专利申请,公开了一种基于光电测量分析宫颈组织的自我诊断的便携式设备,包括测试管路,探头,测试管路和一个与测试管理相连接的控制盒,控制盒内安装有LED,运算放大器以及微处理器等,通过电极和光纤等传输装置与探头连接。
上述技术都是针对宫颈组织诊断仪的基础上建立的,而对组织的分类是提供医师更丰富的诊断信息,而非只给出该病例整体的病理状态。
发明内容
本发明所要解决的技术问题是提供一种宫颈癌早期病变筛查方法,包括以下步骤:
(1)数据采集,使用宫颈癌筛查仪的手持探头采用模拟时钟的采集方式,沿宫颈癌发生的重点区域-移行带分布12个测试点,宫颈前唇对应12点种方向,后唇对应6点钟方向,从12点钟方向开始,沿顺时针反向,每病例采集3-4个点;电学采集采用三个电极交替互异电平的测量方式,每个电极采集四次,探测接触电极上电压的变化;光学采集通过三个LED在电极采集间隙分时照射宫颈组织,在每次照射宫颈组织前,先照射一个标准测光筒,采集经过标准测光筒和组织的散射光,取得15个特征参数;
(2)建立数据库,步骤(1)中电学的特征提取采用电压衰减常数τ作为电学组织判别的特征参数,其中;光学的特征提取将相对光强μ作为光学组织判别的特征参数,,提取特征后构建特征数据集,每个采样点采取15个特征参数,年龄在20-80岁之间的病例,900-950个采样点,对病例中同一采样点进行组织病理学诊断,作为金标准;
(3)数据分集,将步骤(2)中采集的光电数据集随机分为训练集和预测集,其中训练集和预测集的比例为9.3:0.7;
(4)分类建模,采用支持向量机的理论分类建模,把样本通过非线性方法映射高维特征空间中,在空间中寻找最优超平面,决策函数为,其中为与对应的分量,表示离超平面最近的正的函数间隔要等于离超平面最近的负的函数问题,引入核函数,将最优化问题转换为最小化问题,;
(5)关键参数的选取,将步骤2中建立的数据库中的样本采用网格搜索法进行参数寻优,其中C∈[2-10210],g∈[2-10210],步距值为1,选取最优参数(C,g)为(3,81);
(6)确定最优参数后,求得最优超平面。
进一步地,所述宫颈癌筛查仪包括手持探头,数据采集系统和模拟信号调节板,数据采集系统通过模拟信号调节板与手持探头相连,手持探头呈圆台型,近组织一端为圆形平头,圆周上设置有三个等弧度排列的电极,包围在中间的是一束光纤束,光纤束中心设置有一根探测光纤,所述探测光纤与光电二极管连接,周围三根光纤与不同波长的发光二极管连接;所述模拟信号调节板由四片数字控制模拟电子开关组成,分别为模拟电子开关Ⅰ、Ⅱ、Ⅲ、Ⅳ,模拟电子开关Ⅰ、Ⅱ、Ⅲ分别与三个电极相连接,模拟电子开关Ⅰ、Ⅱ、Ⅲ设有端口(S0、S1、S2、S3、S4、S6、Sm)和端口(A、B、C),模拟电子开关Ⅳ与发光二极管连接,设有端口(S0、S1、Sm)和端口(A、B、C,)数据采集系统包括模拟输出模块,数字输出模块和A/D转换模块,模拟输出模块设有模拟输出端口(1、2),数字输出模块设有数字输出端口(1、2、3、4、5、6),A/D转换模块设有A/D转换端口(1、2、3、4),模拟输出端口1分别与三片数字控制模拟电子开关Ⅰ、Ⅱ、Ⅲ的(S0、S1、S2)三个端口相连接,模拟输出端口(2)与数字控制模拟开关Ⅳ端口(Sm)相连接,数字输出端口(1、2、3)相对应地分别与三片数字控制模拟电子开关Ⅰ、Ⅱ、Ⅲ对应的(A、B、C)的端口相连接,数字输出端口(4、5、6)分别与数字控制模拟开关Ⅳ的(A、B、C)的端口相连接,A/D转换端口(1、2、3)相对应地分别与数字控制模拟电子开关Ⅰ、Ⅱ、Ⅲ的(S3、S4、S5)相连接,A/D转换端口(4)与PD连接,数字控制模拟电子开关Ⅰ、Ⅱ、Ⅲ的(Sm)端口与三个电极相连接,余下的端口接地,数字控制模拟开关Ⅳ有三个端口分别与三个发光二极管相连接。
本发明的有益效果:宫颈癌筛查仪的结构使检测时覆盖更广的上皮组织,这种间隔的刺激与采集,可以有效地降低反应时间,是宫颈组织在不同刺激与响应间得到适当恢复,提高检测准确性。使用支持向量机的理论实现对宫颈组织分类算法的开发,以达到能准确预测宫颈组织是否含有CIN,是否已进展到早期病变的目的,在组织分类过程中采用最科学的方法进行采样以及建立数据库,采取训练集和预测集的分布比例为9.3:0.7,采用网格搜索参数优选方法以及全部光电特征进行分类模型的建立,经过大量实验选取最优变量(3,81),使预测集的灵敏度可达91.18%,总符合率可达86.24%,是在宫颈癌筛查领域的一项重要突破。
附图说明
图1是宫颈癌筛查仪硬件连接示意图。
具体实施方式
本发明涉及一种宫颈癌早期病变筛查方法,该方法使用宫颈癌筛查仪采集原始数据,如图1所示,宫颈癌筛查仪包括一个基于数据采集卡的数据采集系统,通过一个模拟信号调节板与手持探头相连,手持探头的顶端设置有直接与宫颈组织接触的组织刺激与探测传感器。
手持探头呈圆台型,近组织一端为圆形平头,所示,其圆周上设置有三个等弧度排列的电极,包围在中间的是一束光纤束,所述光纤束由七根光纤组成,中心设置有一根探测光纤,该探测光纤与一光电二极管(PD)连接,其余六根光纤均匀分布在探测光纤周围,三根作为源光纤分别与三种不同波长的发光二极管,以下简称LED连接,所述源光纤与探测光纤相切且彼此相隔120o,三种LED波长分别为近红外波段的940nm、红光波段的660nm和绿光波段的530nm,模拟信号调节板主要由四片数字控制模拟电子开关组成,其作用是使三个电极得到高低低电平的不同组合,实现对宫颈组织的充电,同时组织的放电信息亦通过模拟信号调节板输送至数据采集系统中,除此之外,模拟信号调节板还实现了三种不同波长LED的分时独立照射。
数据采集系统包括模拟输出端,数字输出端和A/D转换端。
图1所示,模拟信号调节板中四片数字控制模拟电子开关,数据采集系统的模拟输出端口1分别与三片数字控制模拟电子开关Ⅰ、Ⅱ、Ⅲ的S0、S1、S2三个端口相连接,模拟输出端口2与数字控制模拟开关Ⅳ端口Sm相连接,数字输出端口1、2、3相对应地分别与三片数字控制模拟电子开关Ⅰ、Ⅱ、Ⅲ对应的A、B、C的端口相连接,数字输出端口4、5、6分别与数字控制模拟开关Ⅳ的A、B、C的端口相连接,A/D转换端口1、2、3相对应地分别与数字控制模拟电子开关Ⅰ、Ⅱ、Ⅲ的S3、S4、S5相连接,A/D转换端口4与PD连接,数字控制模拟电子开关Ⅰ、Ⅱ、Ⅲ的Sm端口与三个电极A、B、C相连接,余下的端口接地,数字控制模拟开关Ⅳ有三个端口分别与三个LED相连接,当数据采集卡的数字输出端1、2和3发出信号使数字控制模拟电子开关Ⅰ、Ⅱ、Ⅲ的S0均接通,此时通过数字控制模拟电子开关Ⅰ、Ⅱ、Ⅲ的Sm端口供给三个电极的电压不同,当电极A的电压是模拟输出端1输出高电平电压信号时,电极B和C与地相连,相当于输入的是低电平电压信号;当数字输出端口1、2和3发出信号使数字控制模拟电子开关Ⅰ、Ⅱ、Ⅲ的S1端口接通,此时电极B接入的是高电平电信号,而电极A和C接入的是低电平电信号;当数字输出端口1、2和3发出信号使数字控制模拟电子开关Ⅰ、Ⅱ、Ⅲ的S2端口接通,,此时电极C接入的是高电平电信号,而电极A和B接入的是低电平电信号,如此循环反复,即可实现对电极A、B和C的不同组合的电信号输入过程。当要采集人体组织对电信号的响应即电压松弛曲线时,数据采集卡的数字输出端1、2和3发出信号使数字控制模拟电子开关Ⅰ、Ⅱ、Ⅲ的S3均接通,通过电极将信号传递至数据采集卡的A/D转换端口1,进行对电极A的电测量采样,同理通过不同信号对电极B和C的电测量采样。
在数据采集前要对组织进行放电处理,需同时对三个电极给予低电平电信号,即通过信号接通数字控制模拟电子开关Ⅰ、Ⅱ、Ⅲ的S6,则低电平信号通过Sm接口输入给电极,实现对组织的放电。
光测量中,数据采集卡的数字输出端4、5和6发出特定的信号,使数字控制模拟开关Ⅳ的S0与Sm接通,此时数据采集卡通过模拟输出端口2与Sm接通,此时数据采集卡通过模拟输出端口2供给LED1的触发电压,使其照射宫颈组织,同时通过PD将接受到的光信号转换为电信号,传送至数据采集卡的A/D转换端口2,同理实现LED2和LED3的光信号转换为电信号。
当光电极对宫颈组织进行光电刺激时,向数据采集卡模拟输出端发出控制命令,使其输出低水平电压信号,并通过模拟信号调节板实现对电极A、B和C之间不同组合供给高低低脉冲电信号,即对组织进行充电,充电过程结束后,经由电极采集的生物响应信号通过模拟信号调节板传递至数据采集卡的A/D转换模块,在电学采集间隙,不同波长的LED作为光源分时照射宫颈组织,经由PD探测宫颈组织的出射光,并将光信号转换为电信号,传递至数据采集卡的A/D转换模块。
首先,使用前述宫颈癌筛查仪进行原始数据的采集,手持探头采用模拟时钟的采集方式,沿宫颈癌发生的重点区域-移行带分布12个测试点,宫颈前唇对应12点钟方向,后唇对应6点钟方向,从12点钟方向开始,沿顺时针反向采集;电学采集是手持探头上的电极直接接触宫颈上皮组织表面,采用三个电极交替互异电平的测量方式,探测接触电极上电压的变化,电学的特征提取采用电压衰减常数τ作为电学组织判别的特征参数,其中(U1和U2表示在不同时间点T1和T2时的电压);光学采集通过波长为940nm、660nm和530nm三个LED在电极采集间隙分时照射宫颈组织,在每次照射宫颈组织前,先照射一个标准测光筒,采集经过标准测光筒和组织的散射光。每次刺激宫颈组织前,先通过照射一个标准测光筒得到一组标准光散射值,然后再照射待测组织体,得到另一组光散射值,通过公式即可得到相对光强μ。光学的特征提取将相对光强μ作为光学组织判别的特征参数,(I为光散射值),提取特征后构建特征数据集。
对313例受试者分别进行了使用本系统及组织病理学诊断,年龄区间在20-80岁,沿着上述12个测试点选取3-4个点,电学特征每个点采集四个数据,共采集12个电学特征,光学特征参数采取3个,共15个特征参数,共采取998个采样点,每个采样点15个特征参数,结果存储于计算机中,为了平衡阴阳性采样点的数据量以使在训练时保持对阴性采样点和阳性采样点相同的敏感性,要使数据库中的阴阳采样点的数量相同,由此构建数据库;在每个采样点的相同位置进行活体样本采集,得到具体病理结果,作为检验本系统的金标准,输入电脑中。所谓金标准是指当前临床上公认的诊断疾病最可靠、最权威、可以反映“患病”或“无病”的实际情况的方法,又称为标准诊断方法。根据本系统筛查结果与病理诊断的结果,汇入下表1。
表1
在系统筛查结果为阳性的病例数中,真阳性(a)表示病理诊断为患病,系统筛查结果亦为阳性的病例数;假阳性(b)表示病理诊断为无病,但系统筛查结果为阳性的病例数;假阴性(c)表示病理诊断未患病,但系统筛查结果为阴性的病例数;真阴性(d)表示病理诊断为无病,系统筛查结果亦为阴性的病例数。
根据以下六个常见指标可计算出评价系统筛查方法真实性。
灵敏度;特异度;漏诊率;
误诊率;总符合率;以及约登指数;其中最基本的指标是灵敏度Se和特异度Sp,其值越大越好,与之相对的是漏诊率α和误诊率β,其值越小越好,总符合率e是指真阴性和真阳性所占总筛查人数的百分比,约登指数J表示筛查方法发现真正的患者与非患者的总能力,值在0和1之间变动。
采用支持向量机的理论构建SVM训练模型,实现对宫颈组织分类,以达到能准确预测宫颈组织是否含有CIN,即是否已进展到早期病变的目的。
SVM推演过程如下:
设n个线性可分样本(xi,yi),i=1,…,n,yi∈{+1.-1}代表类别标识。D维空间线性分类超平面方程可以表示成WTX-b=0式中,W为权值向量,X为d维输入向量,b为偏值,
有WTX-b>0(yi=+1);WTX-b<0(yi=-1)。
超平面与最近的样本点之间的距离成为分类间隔(margin),用ρ表示。由于两类样本距离最优超平面距离相等,因此最优超平面的权值向量W0和偏置b0是唯一确定的,因此方程式可表示为:
W0 TX-b0=0
计算样本点x到最优超平面的距离为r=,从而有判别函数g(x)=r︱w0︱=w0x-b0,其给出了样本点x到最优超平面距离r的一种代数度量,将g(x)归一化,使所有样本满足则离最优超平面最近的所有样本Xs均满足:︱g(x)︱=1,称为支持向量。
将上面两个公式合并表示,其向量形式如下:
Y(W0 TX-b0)≥1
由式r=w0x-b0/︱w0︱可以推导出支持向量Xs到最优超平面的距离为rs==
此时,两类之间的间隔可用距离表示,即分类间隔为
ρ=2rs=
ρ最大化等价于使(或)最小化,
有最小的代价函数
该优化问题可以表达为
将上述终于最优化问题采用拉格朗日乘数法将其转换为对偶问题而进行的求解的,通过引入松弛变量ξ和惩罚因子C消除一定的分类错误,得到线性支持向量机,包括线性硬间隔支持向量机和线性软间隔支持向量机,其模型和最优解分别为:
对于非线性数据模式分类,通过适当的非线性映射函数将样本集映射到一个高维特征子空间中,在高维空间中寻找线性分类超平面因此,引入核函数,为了保证在任何情况下都可以将样本数据映射到足够高的维度,以使其成为线性可分的,引入松弛变量ξ,构成最常用的非线性软间隔支持向量机。其最优化问题亦通过拉格朗日乘数法求解。
据此求出最优拉格朗日算子α*后,决策函数为
其中为与对应的分量,表示离超平面最近的正的函数间隔要等于离超平面最近的负的函数问题。
本系统核函数选择高斯径向基(RBF)核函数即采用RBF核支持向量机,记为RBF-SVM。
则上述最优化问题就转换为最小化问题
由上式可知,RBF-SVM主要含有两个关键参数,即核参数g和惩罚因子C,g主要决定了特征子空间的复杂程度,惩罚因子C的作用是调节支持向量机的置信区间和经验风险的比例,为了得到最佳的分类效果,选择合适的关键参数至关重要。
将按上述方法构建的数据库随机分为训练集和预测集,训练集与预测集之间的比例为5:5、6:4、7:3、8:2和9:1的情况下,分别进行训练10次,取平均值。详见表2。
表2
根据表2的结果对训练集与预测集之间比例为9.1:0.1、9.2:0.8、9.3:0.7、9.4:0.6和9.5:0.5的情况下,分别进行训练10次,取平均值,详见表3。
表3
由表2和表3可知,当训练集和预测集的比例达到9.3:0.7时,10次训练的平均灵敏度、特异度和总符合率达到峰值。
将采样点集分别应用与采用网格搜索法(GS)、粒子群算法(PSO)和遗传算法(GA)三种参数优选方法进行关键参数的优选。其中训练集和预测集的分布比例为9:1,训练次数为10次,结果如表4所示。
由表4可知,三种参数优选方法在总符合率上并无明显差异,均在80%左右;但是GA方法的Se指标明显高于其他两种方法,高达87.5%,其次为GS的方法,PSO方法最低,GS与PSO方法在Se上差别不大;而Sp指标反而是GS方法最高,但是三种方法的差别并不明显,三种方法最大的差别是在时间上,PSO方法的时间是GS方法近二倍,GA方法的时间为GS方法的14倍,虽然GA方法模拟时间长,但其各项指标均在前列,应该采用GA方法进行参数优选,但是在10次训练实验中,有七次具有相同的结果,说明GA方法容易陷入局部极值点,没有顾全全局,而PSO的方法时间较GS方法时间长,GS方法的真实性评价却优于PSO的方法,因此采用GS方法作为参数优选方法进行分类模型的建立。
表4
采用网格搜索进行参数寻优,先在较大范围内采用大步距选择使分类准确率最高的一组,寻得局部最优参数后,再在这组参数附近选择一个小区间进行二次精搜,可以减少搜索时间。训练集和预测集的比例为9.3:0.7,设定网格搜索的变量(C,g)的范围以及搜索步距,(g即核参数),由于传统方法中的步距值0.1对本系统分类时,耗时太长,所以我们先设步距值为1。
对于取定的C和g进行交叉互验,设定v值为3。
训练集和预测集的分布比例为9.3:0.7,采用网格搜索参数优选方法以及全部光电特征进行分类模型的建立,选取最优变量(3,81),预测集的灵敏度可达91.18%,总符合率可达86.24%。
本发明是基于宫颈癌筛查仪所采集的数据的基础上经过大量实验所得出的较佳实施例,显然本发明不限于以上实施例,任何熟悉本领域的技术人员在本发明揭露的技术范围内,都应涵盖在本发明的保护范围之内。
Claims (2)
1.一种宫颈癌早期病变筛查方法,其特征在于:包括以下步骤:
(1)数据采集,使用宫颈癌筛查仪的手持探头采用模拟时钟的采集方式,沿宫颈癌发生的重点区域-移行带分布12个测试点,宫颈前唇对应12点种方向,后唇对应6点钟方向,从12点钟方向开始,沿顺时针反向,每病例采集3-4个点;电学采集采用三个电极交替互异电平的测量方式,每个电极采集四次,探测接触电极上电压的变化;光学采集通过三个LED在电极采集间隙分时照射宫颈组织,在每次照射宫颈组织前,先照射一个标准测光筒,采集经过标准测光筒和组织的散射光,取得15个特征参数;
(2)建立数据库,步骤(1)中电学的特征提取采用电压衰减常数τ作为电学组织判别的特征参数,其中;光学的特征提取将相对光强μ作为光学组织判别的特征参数,,提取特征后构建特征数据集,每个采样点采取15个特征参数,年龄在20-80岁之间的病例,900-950个采样点,对病例中同一采样点进行组织病理学诊断,作为金标准;
(3)数据分集,将步骤(2)中采集的光电数据集随机分为训练集和预测集,其中训练集和预测集的比例为9.3:0.7;
(4)分类建模,采用支持向量机的理论分类建模,把样本通过非线性方法映射高维特征空间中,在空间中寻找最优超平面,决策函数为,其中为与对应的分量,表示离超平面最近的正的函数间隔要等于离超平面最近的负的函数问题,引入核函数,将最优化问题转换为最小化问题,;
(5)关键参数的选取,将步骤2中建立的数据库中的样本采用网格搜索法进行参数寻优,其中C∈[2-10210],g∈[2-10210],步距值为1,选取最优参数(C,g)为(3,81);
(6)确定最优参数后,求得最优超平面。
2.根据权利要求1所述的宫颈癌早期病变筛查方法,其特征在于:所述宫颈癌筛查仪包括手持探头,数据采集系统和模拟信号调节板,数据采集系统通过模拟信号调节板与手持探头相连,手持探头呈圆台型,近组织一端为圆形平头,圆周上设置有三个等弧度排列的电极,包围在中间的是一束光纤束,光纤束中心设置有一根探测光纤,所述探测光纤与光电二极管连接,周围三根光纤与不同波长的发光二极管连接;所述模拟信号调节板由四片数字控制模拟电子开关组成,分别为模拟电子开关Ⅰ、Ⅱ、Ⅲ、Ⅳ,模拟电子开关Ⅰ、Ⅱ、Ⅲ分别与三个电极相连接,模拟电子开关Ⅰ、Ⅱ、Ⅲ设有端口(S0、S1、S2、S3、S4、S6、Sm)和端口(A、B、C),模拟电子开关Ⅳ与发光二极管连接,设有端口(S0、S1、Sm)和端口(A、B、C,)数据采集系统包括模拟输出模块,数字输出模块和A/D转换模块,模拟输出模块设有模拟输出端口(1、2),数字输出模块设有数字输出端口(1、2、3、4、5、6),A/D转换模块设有A/D转换端口(1、2、3、4),模拟输出端口1分别与三片数字控制模拟电子开关Ⅰ、Ⅱ、Ⅲ的(S0、S1、S2)三个端口相连接,模拟输出端口(2)与数字控制模拟开关Ⅳ端口(Sm)相连接,数字输出端口(1、2、3)相对应地分别与三片数字控制模拟电子开关Ⅰ、Ⅱ、Ⅲ对应的端口(A、B、C)相连接,数字输出端口(4、5、6)分别与数字控制模拟开关Ⅳ的端口(A、B、C)相连接,A/D转换端口(1、2、3)相对应地分别与数字控制模拟电子开关Ⅰ、Ⅱ、Ⅲ的(S3、S4、S5)相连接,A/D转换端口(4)与PD连接,数字控制模拟电子开关Ⅰ、Ⅱ、Ⅲ的端口(Sm)与三个电极相连接,余下的端口接地,数字控制模拟开关Ⅳ有三个端口分别与三个发光二极管相连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511005633.2A CN105615835A (zh) | 2015-12-28 | 2015-12-28 | 宫颈癌早期病变筛查方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511005633.2A CN105615835A (zh) | 2015-12-28 | 2015-12-28 | 宫颈癌早期病变筛查方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105615835A true CN105615835A (zh) | 2016-06-01 |
Family
ID=56031501
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201511005633.2A Pending CN105615835A (zh) | 2015-12-28 | 2015-12-28 | 宫颈癌早期病变筛查方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105615835A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110897593A (zh) * | 2019-10-24 | 2020-03-24 | 南京航空航天大学 | 一种基于光谱特征参数的宫颈癌前病变诊断方法 |
CN110946552A (zh) * | 2019-10-30 | 2020-04-03 | 南京航空航天大学 | 一种结合光谱和图像的宫颈癌前病变筛查方法 |
CN111317444A (zh) * | 2020-02-25 | 2020-06-23 | 天津大学 | 一种基于电子光学技术的无线多测头宫颈癌筛查系统 |
CN111449623A (zh) * | 2020-03-26 | 2020-07-28 | 天津大学 | 快速诊断宫颈癌的亚扩散组织域空间分辨光学测量系统 |
CN117179692A (zh) * | 2023-11-08 | 2023-12-08 | 苏州术客高鑫科技有限公司 | 一种可装载光纤导管的宫颈筛查手柄 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1474175A (zh) * | 2002-04-15 | 2004-02-11 | 鹰 黄 | 超精细光谱成像仪或系统 |
CN101019758A (zh) * | 2007-03-23 | 2007-08-22 | 天津大学 | 近红外漫射光无创早期宫颈癌检测系统及其检测方法 |
CN101828103A (zh) * | 2007-08-27 | 2010-09-08 | 雷米卡尔姆有限责任公司 | 用于宫颈癌识别的光学光谱装置 |
CN102585814A (zh) * | 2012-01-10 | 2012-07-18 | 友瑞莱能金融服务有限公司 | 组织类型识别方法与装置 |
US20120232408A1 (en) * | 2009-11-30 | 2012-09-13 | Laura Ann Weller-Brophy | Method and Apparatus for Cervical Cancer Screening |
-
2015
- 2015-12-28 CN CN201511005633.2A patent/CN105615835A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1474175A (zh) * | 2002-04-15 | 2004-02-11 | 鹰 黄 | 超精细光谱成像仪或系统 |
CN101019758A (zh) * | 2007-03-23 | 2007-08-22 | 天津大学 | 近红外漫射光无创早期宫颈癌检测系统及其检测方法 |
CN101828103A (zh) * | 2007-08-27 | 2010-09-08 | 雷米卡尔姆有限责任公司 | 用于宫颈癌识别的光学光谱装置 |
US20120232408A1 (en) * | 2009-11-30 | 2012-09-13 | Laura Ann Weller-Brophy | Method and Apparatus for Cervical Cancer Screening |
CN102585814A (zh) * | 2012-01-10 | 2012-07-18 | 友瑞莱能金融服务有限公司 | 组织类型识别方法与装置 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110897593A (zh) * | 2019-10-24 | 2020-03-24 | 南京航空航天大学 | 一种基于光谱特征参数的宫颈癌前病变诊断方法 |
CN110946552A (zh) * | 2019-10-30 | 2020-04-03 | 南京航空航天大学 | 一种结合光谱和图像的宫颈癌前病变筛查方法 |
CN111317444A (zh) * | 2020-02-25 | 2020-06-23 | 天津大学 | 一种基于电子光学技术的无线多测头宫颈癌筛查系统 |
CN111449623A (zh) * | 2020-03-26 | 2020-07-28 | 天津大学 | 快速诊断宫颈癌的亚扩散组织域空间分辨光学测量系统 |
CN111449623B (zh) * | 2020-03-26 | 2021-11-02 | 天津大学 | 快速诊断宫颈癌的亚扩散组织域空间分辨光学测量系统 |
CN117179692A (zh) * | 2023-11-08 | 2023-12-08 | 苏州术客高鑫科技有限公司 | 一种可装载光纤导管的宫颈筛查手柄 |
CN117179692B (zh) * | 2023-11-08 | 2024-04-30 | 苏州术客高鑫科技有限公司 | 一种可装载光纤导管的宫颈筛查手柄 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105615835A (zh) | 宫颈癌早期病变筛查方法 | |
JP6000345B2 (ja) | スペクトルイメージングによる生体試料の分析方法 | |
CN103645170B (zh) | 一种利用拉曼光谱检测肿瘤性质的装置 | |
Mechler et al. | Dipole characterization of single neurons from their extracellular action potentials | |
CN102341039A (zh) | 用于诊断受试者的组织中的疾病状况的方法和装置 | |
US20110317158A1 (en) | Cytological method for analyzing a biological sample by raman spectroscopy | |
CN106419864A (zh) | 中医诊断云端专家系统 | |
CN105300954B (zh) | 一种锑矿浮选非均质泡沫层矿物的拉曼光谱表征方法 | |
CN104704344A (zh) | 使用cpd数据进行白血病分类 | |
WO2018157381A1 (zh) | 病理切片图像智能分类方法及装置 | |
CN102087680A (zh) | 创意性生命健康状态集成评价系统 | |
CN103487397A (zh) | 一种雷竹笋硬度快速检测方法及装置 | |
Ledley | Automatic pattern recognition for clinical medicine | |
WO2023155310A1 (zh) | 一种cbist成像方法及成像系统 | |
CN110070013B (zh) | 一种ecg信号噪声污染程度与类别智能评估方法 | |
Yan et al. | NANet: nuclei-aware network for grading of breast cancer in HE stained pathological images | |
CN116189866A (zh) | 一种基于数据分析的远程医用护理分析系统 | |
Chang et al. | Deep learning methods for oral cancer detection using Raman spectroscopy | |
Nagadeepa et al. | Artificial intelligence based cervical cancer risk prediction using m1 algorithms | |
CN205719951U (zh) | 检测黑箱及利用该检测黑箱的苹果霉心病无损快速检测设备 | |
Yu et al. | Deep multi-feature fusion residual network for oral squamous cell carcinoma classification and its intelligent system using Raman spectroscopy | |
Wang et al. | SVM classification method of waxy corn seeds with different vitality levels based on hyperspectral imaging | |
CN107818329B (zh) | 一种质谱数据分析方法 | |
Yi et al. | Multichannel many-class real-time neural spike sorting with convolutional neural networks | |
JPH07250837A (ja) | 組織タイプ認識方法およびそのための装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160601 |
|
RJ01 | Rejection of invention patent application after publication |